基于Anaconda与VSCode的肢体行为动作识别：数据收集与标注处理实战指南

1次阅读

没有评论

共计 1476 个字符，预计需要花费 4 分钟才能阅读完成。

在肢体行为动作识别项目中，数据质量直接影响模型性能。常见痛点包括：

数据噪声：摄像头抖动、光照变化导致视频帧质量不稳定
标注不一致：多人协作时标注标准不统一（如关节定义差异）
效率瓶颈：传统手动标注工具无法处理大规模视频数据

预装 600+ 科学计算包（如 NumPy, OpenCV）
环境隔离避免依赖冲突
Conda 包管理器简化库版本控制

智能补全加速 Python/JSON 等文件编写
集成终端直接调用 conda 环境
插件生态（如 Python, Jupyter）支持交互式调试

使用 OpenCV 捕获视频流并分帧存储：

import cv2

cap = cv2.VideoCapture(0)  # 调用摄像头
frame_count = 0
while cap.isOpened():
    ret, frame = cap.read()
    if not ret: break

    # 保存为 0001.jpg, 0002.jpg...
    cv2.imwrite(f"frames/{frame_count:04d}.jpg", frame) 
    frame_count += 1

cap.release()

关键步骤：

降噪：高斯模糊减少高频噪声
归一化 ：将像素值缩放到[0,1] 范围
背景消除：使用 MOG2 算法提取前景

# 示例：归一化处理
import numpy as np

def normalize_frame(frame):
    normalized = frame.astype(np.float32) / 255.0
    return np.clip(normalized, 0, 1)

推荐工具链：

LabelImg：标注静态图像中的关节点
CVAT：专业级视频标注工具
自定义脚本：将标注转为 COCO 格式

# 安装 LabelImg
conda install -c conda-forge labelimg

import json

coco_template = {"info": {"description": "Custom Pose Dataset"},
    "categories": [{"id": 1, "name": "person"}],
    "images": [],
    "annotations": []}

def add_annotation(image_id, keypoints):
    coco_template["annotations"].append({
        "image_id": image_id,
        "category_id": 1,
        "keypoints": keypoints,
        "num_keypoints": len(keypoints)//3
    })